Ontologie jako narzędzie budowy modeli w ubezpieczeniowych systemach informacyjnych wprowadzenie

Wielkość: px
Rozpocząć pokaz od strony:

Download "Ontologie jako narzędzie budowy modeli w ubezpieczeniowych systemach informacyjnych wprowadzenie"

Transkrypt

1 Ontologie w ubezpieczeniowych systemach informacyjnych WITOLD ABRAMOWICZ PIOTR STOLARSKI TADEUSZ TOMASZEWSKI Ontologie jako narzędzie budowy modeli w ubezpieczeniowych systemach informacyjnych wprowadzenie W niniejszym tekście autorzy dokonują podsumowania prac prowadzonych w ramach mode lowania wiedzy i informacji ubezpieczeniowej. Przedstawiają ontologię w informatyce, czyli nową strukturę służącą do agregowania i porządkowania informacji. Artykuł ponadto wskazuje na dwa kluczowe obszary dotyczące modelowania ubezpieczeń, czyli: reprezentację wiedzy o regulacjach prawnych oraz normalizację pojęcia ryzyka. Obydwa obszary są bardzo istotne dla poprawności procesów obiegu informacji w przedsiębiorstwach rynku ubezpieczeń. Teoretyczny przegląd oparty na badaniach literaturowych pozwala w sposób syntetyczny przedstawić koncepcję oraz rozpocząć dyskusję nad możliwymi zastosowaniami dla modelowania informacji ubezpieczeniowej za pomocą modeli semantycznych w szczególności w dwóch wskazanych wcześniej obszarach. Zastosowanie ontologii i rozpoczęcie operowania na modelach semantycznych będzie przyczynkiem do uzyskania nowych możliwości związanych z gromadzeniem i przetwarzaniem informacji w systemach ubezpieczeniowych. 1. Wprowadzenie Obserwujemy ciągły i szybki rozwój technologii informacyjnych. Mimo to w większości przypadków ich zastosowanie w ubezpieczeniach polega w znacznej mierze na wykorzystaniu informacyjnych mechanizmów przetwarzania informacji w działalności zarządczej, marketingowej lub dystrybucyjnej produktów 1. Konceptualizacja produktów ubezpieczeniowych w systemach informatycznych 2 wynika przede wszyst- 1. Handschke J. Internet w działalności ubezpieczeniowej w Polsce: ze szczególnym uwzględnieniem dystrybucji / red. nauk. Jerzy Handschke, Poznań: Katedra Ubezpieczeń Akademii Ekonomicznej, Poprzez modele ubezpieczenia rozumiemy tutaj zarówno prawną konstrukcję produktu ubezpieczeniowego jak też sposób oceny ryzyka. 3

2 Wiadomości Ubezpieczeniowe 2/2010 kim z tradycyjnych metod modelowania ryzyka, kładąc szczególny nacisk na ilościowe as pek ty informacji o przeszłych zdarzeniach, powiązanych z powstaniem wypadku ubezpieczeniowego, przekształcając je z wykorzystaniem metod statystycznych w da ne 3. Na ich podstawie formułowane są, ograniczone z punktu widzenia zawartości informacji, abstrakcyjne zbiory zagregowanych danych statystycznych. Sposób powstawania informacji z danych oraz ich reprezentacji i wykorzystania utarł się w trakcie ewolucji tych metod. Na ich rozpowszechnienie wpłynęły także ograniczenia w prze twarzaniu informacji. W szczególności do ograniczeń tych należały niska efektywność technologii przetwarzania zasobów informacji w wiedzę oraz zarządzania wiedzą 4. Rozwój technologii semantycznych pozwala na zmianę podejścia, umożliwiając automatyczne przetwarzanie nie tylko danych liczbowych, lecz także informacji tekstowych i ich znaczenia. Postęp technologiczny w dziedzinie zarządzania wiedzą rodzi niepowtarzalną okazję do podjęcia prób wykorzystania nowatorskich rozwiązań wszędzie tam, gdzie istniejące do tej pory ograniczenia wyznaczały standardy działania i rozwiązywania problemów 5. Sposób wykonywania działalności ubezpieczeniowej uzależniony jest od dwóch rozłącznych czynników: z jednej strony od konstrukcji instytucji prawnych, z drugiej od podejścia do ryzyka, a w konsekwencji do metod zarządzania nim 6. Tak się składa, że z semantycznym przetwarzaniem informacji z obu tych dziedzin wiązane są obecnie duże nadzieje. Artykuł ten ma być wstępem do dyskusji o wykorzystaniu nowych technik usprawniających zarządzanie informacją ubezpieczeniową. Celem autorów jest wpro wa dzenie do opisów projektowanych zastosowań w ubezpieczeniach. 1. Modelowanie informacji ubezpieczeniowej OECD definiuje modelowanie ekonomiczne, jako upraszczającą reprezentację rzeczywistości gospodarczej wskazującą na współzależności pomiędzy wartościami ekonomicznymi (zmiennymi) 7. Ciekawe spostrzeżenia nawiązujące również do de finio- 3. Definiujemy odrębnie pojęcia: danych, informacji oraz wiedzy. Za: Abramowicz W. Filtro wanie Informacji, Wydawnictwo Akademii Ekonomicznej w Poznaniu, Poznań 2008, s Tomaszewski T. Przykłady zastosowań koncepcji semantycznej reprezentacji ryzyka w ubezpieczeniowych systemach informacyjnych, w Studia Ubezpieczeniowe, red. nauk. Jerzy Handschke, Zeszyty Naukowe Nr 127, s , Uniwersytet Ekonomiczny w Poznaniu, Poznań Ibidem. 6. Interesującym zagadnieniem samym w sobie może być tutaj uogólnienie polegające na stwier dzeniu, iż oba składniki są silnie powiązane z wymiarem czasowym, tj. o ile ryzyko jest miarą opisującą zdarzenia w przyszłości, o tyle konstrukcje prawne ze swej natury ulegają zmianom w czasie. 7. Alexander P., Baden S., 2000, Glossary on macroeconomics from a gender perspective, Institute of Development Studies, University of Sussex. Odczytane z 24 maja

3 Ontologie w ubezpieczeniowych systemach informacyjnych wania pojęcia modelu ekonomicznego, aczkolwiek sformułowane historycznie wcześniej, pojawiają się w wypowiedzi Lange 8, w której autor przyrównuje modele do dedukcyjnych zbiorów teoremów [ ] będących generalizacją obserwacji, i mogących być poddanymi testowi empirycznemu. Autor ten jednocześnie sygnalizuje, w kontekście modeli dostarczanych przez ekonomię teoretyczną, iż rzeczywistość (do świadczenie) jest znacznie bogatsza niż naukowy język w związku z czym postuluje dalej: w celu załatania rozłamu pomiędzy (wytworzonymi) w teorii pojęciami a empirią, konieczne jest [ ] zorganizowanie reguł określających odnośniki pomiędzy tymi dwoma. W naukach o systemach informacyjnych modele nie są niczym innym, kładzie się jednak tutaj duży nacisk na sposoby organizacji informacji oraz jej wykorzystania. Stąd np. Guarino badając współczesne metody modelowania informacji, pisze o wy - soce interdyscyplinarnym podejściu, w którym filozofia oraz lingwistyka odgrywają istotną rolę w analizie struktury (zjawisk) rzeczywistości na wysokim poziomie ogólności 9. W dalszej części wywodu podaje on także definicję formalną modelu. Na tym etapie rozważań podkreślić należy, iż modele służą do redukcji złożoności rozpatrywanych zjawisk od stopnia, w którym analiza przedmiotu badania jest z takich lub innych powodów bezcelowa, do stopnia umożliwiającego ich dokładne poznanie. Ułatwiają zrozumienie zjawisk przeszłych i mogą umożliwiać ich przewidywanie w przy szłości 10. Niewątpliwym zaś problemem przy ich konstrukcji jest właś ciwe określenie ich poziomu złożoności. Chcąc lepiej to uzmysłowić, wskażemy tutaj na jeszcze jedną inspirację, płynącą ze strony informatyki. Na Ilustracji 1 przedstawione są relacje (aproksymacja i denotacja) pomiędzy światem rzeczywistym, jego przyjętym modelem oraz ekwiwalentnym opisem teoretycznym. Jak można zaobserwować, wraz z zastosowaniem kolejnych odwzorowań, następuje redukcja możliwych wartości charakteryzujących konkretne przekształcenie Lange O., The Scope and Method of Economics, The Review of Economic Studies, Vol. 13, No. 1 ( ), s Guarino N., Formal Ontology and Information Systems, Proceedings of FOIS 98, Trento, Italy, 6-8 June Amsterdam, IOS Press, s Poprawska E., Ronka-Chmielowiec W., Metody aktuarialne, PWN, Warszawa O ile odwzorowaniu aproksymacyjnemu przypisać można cechę charakteryzującą jego jakość, o tyle opis za pomocą teorii jest albo prawdziwy, albo fałszywy. 5

4 Wiadomości Ubezpieczeniowe 2/2010 Ilustracja 1. Świat rzeczywisty, model i teoria porównanie Źródło: Sowa F. J., Guided Tour of Ontology; od - czytano: 26 marca 2010 r. Ilustracja ta dobrze odzwierciedla prawidłowość: stosowanie modeli abstrakcyjnych, jakimi są np. statystyki lub ich przekształcenia, może dawać dobre rezultaty w wielu dziedzinach zastosowań, jednak związane jest także z utratą (świadomym pominięciem) informacji o poszczególnych obiektach. W kontekście nauk o ubezpieczeniach strata taka może być o tyle wyzwaniem, że przedmiotem modelowania są po części zdarzenia 12 byty trudne do odzwierciedlenia. W naukach ekonomicznych opieramy się przede wszystkim na modelach abstrakcyjnych. Abstrakcja to wyodrębnienie pewnych cech danego pojęcia, przedmiotu, zjawiska i zapomnienie o innych 13. Jest to forma aktywności umysłowej, dzięki której dana treść świadomie jest uwalniana od swych skojarzeń z elementami z nią niezwiązanymi 14. W modelowaniu ubezpieczeń wyróżnić można trzy nie zawsze rozłączne typy przedmiotów modeli 15 : modele danych i informacji, modele ryzyka, po - zostałe modele 16,17. Modele ryzyka mają przede wszystkim charakter ilościowy i wykorzystują w znacznej mierze metody matematyczne 18 oraz miary statystyczne. Takie podejście jest przed- 12. Henderson, Glenn V., Jr. Problems and Solutions in Conducting Event Studies. Journal of Risk and Insurance, (2), s Szurek M. Matematyka dla humanistów, Wydawnictwo RTW, Warszawa Sharp D., Leksykon pojęć i idei C.G. Junga, Wydawnictwo Wrocławskie, Dużo bardziej złożona typologia badań nad ryzykiem i ubezpieczeniami przedstawiona jest w: Bar-Niv R., Bickelhaupt D. L., Research in International Risk and Insurance: Summary, Synthesis, and Prospects. Journal of Risk and Insurance, 1986, 53(1), s Mamy tutaj na myśli modele uwzględniające lub opisujące czynniki otoczenia, jak np. uwarunkowania prawne. 17. Craig H., New directions in risk management. Canadian Insurance, 1996, October, 101(11), s Djehiche B., Review of Non-Life Insurance Mathematics An Introduction with Stochastic Processes. Scandinavian Actuarial Journal, 2004, (6), s

5 Ontologie w ubezpieczeniowych systemach informacyjnych miotem intensywnych badań. Frees i Wang 19, na przykładzie ubezpieczeń samochodowych, rozwijają model predykatorów zagregowanej straty opartych na ramie danych obserwacyjnych, w których napotykane są dane dla różnych klas ryzyka z historią liczby pozwów. Uogólnione modele regresji liniowej są wykorzystane do szacowania rozkładu krańcowego pozwów. Proces liczby pozwów jest generowany za pomocą modelu regresji Poisson a uzależnionego od sekwencji ukrytych zmiennych. W innych pracach wskazuje się na praktyczne możliwości wykorzystania połowicznych procesów Markov a, na przykładzie zastosowania dla ubezpieczeń społecznych 20. Autorzy argumentują, że klasyczne podejście do modeli ryzyka może okazać się zawodne, ponieważ wiele rzeczywistych zjawisk ma charakter niehomogeniczny czasowo. Z perspektywy podziału na przedmiot modelowania, jaki wprowadzono w pierwszym akapicie obecnego podrozdziału, znacznie trudniejszą pracą do skategoryzowania jest tekst 21. Publikację tę umiejscowić można w przyjętym systemie klasyfikacyjnym na pograniczu tematyki modelowania ryzyk oraz pozostałych modeli. Autorzy prezentują ramę wykorzystującą logitowe lub probitowe modele probabilistyczne na potrzeby predykcji nadużyć ubezpieczeniowych 22. Opisano także imple mentację dla ubezpieczeń rolniczych. Kolejne podejście jest równie trudne do klasyfikowania 23. Autor na podstawie modelu ICAPM 24,25 analizuje przychód z przy pisanej składki kilku rodzajów ubezpieczeń. Na podstawie zbudowanego modelu próbuje następnie przewidywać przyszłe kształtowanie się modelowanych wielkości jedno cześnie zwra cając uwagę na konsekwencje modelu ryzyko systematyczne jest więk sze w śro dowiskach rozmytych niż w środowiskach dobrze określonych. Jednocześnie też zmia nie środowiska to - warzyszą zmiany w parametrach finansowych ubezpieczyciela. Walorem tego podejścia jest wskazanie na problemy gromadzenia informacji. W pracy Yin, Liu, Yang 26 poruszona jest tematyka modelowania ryzyk w warunkach zmia ny zasad wpływających na te modele. Efekt uzyskany jest poprzez zastosowanie łańcuchów Markov a o ciągłym czasie. Rezultat badań sprowadza się do wniosku argumentującego za ograniczaniem danych decyzyjnych. W pracy autorstwa Gori i Padrone 27 próbuje się wykorzystać mechanizmy teorii gier do modelowania ubez pie czenia na wypadek aktu terrorystycz- 19. Frees E. W., Wang P., Copula credibility for aggregate loss models. Insurance, Mathe matics & Economics, 2006, 38(2), s , 20 Janssen J., De Dominicis R. Finite Non-Homogeneous Semi-Markov Processes: Theoretical and Computational Aspects. Insurance, Mathematics & Economics, 1984, 3(3), s Jin Y., Rejesus R. M,, Little B. B., Binary choice models for rare events data: a crop insurance fraud application. Applied Economics, 2005, 37(7), s A więc także specyficznego ryzyka jednakże pochodnego dla podstawowego przedmiotu ubezpieczenia i obciążającego tym razem bezpośrednio firmę ubezpieczeniową nie zaś na nią przenoszonego. 23 Lai L., Underwriting profit margin of P/L insurance in the fuzzy-icapm. Geneva Risk and Insurance Review, 2006, 31(1), s Intertemporal Capital Asset Pricing Model. 25 Fama E. F., Multifactor Portfolio Efficiency and Multifactor Asset Pricing. (The Journal of Financial and Quantitative Analysis), Vol. 31, 1996, No. 4, Dec. 26 Yin G., Liu Y. J., Yang H., Bounds of ruin probability for regime-switching models using time scale separation. Scandinavian Actuarial Journal, 2006, (2), s Gori, S., Padrone, M. Is game theory a useful tool for terrorism insurance? International Journal of Risk Assessment and Management, 2007, 7(8), s

6 Wiadomości Ubezpieczeniowe 2/2010 nego. Zastosowano ewolucyjne podejście do teorii gier. Podsumowuje się też problemy w uzyskaniu dostatecznie satys fakcjo nu jących wyników. Przechodząc do modeli informacji i danych, należy omówić tutaj szereg prac, choć zauważyć trzeba, że jest ich zdecydowanie mniej niż w wyżej wymienionym podejściu do przedmiotu modeli ryzyka. Gobble i Windeler 28 wskazują na znaczący postęp w syste mach oceny ryzyka katastrof ze względu na napływ danych z nowej generacji systemów informacji geograficznej, cechujących się dużo wyższą jakością, w tym ich dokładnością. Spowodowało to, zdaniem autorów, znaczący wzrost możliwości zróżni cowania ocen ryzyka dla celów ubezpieczeniowych. Lane i Dennis 29 badają wpływ użycia różnych danych socjoekonomicznych oraz ich estymacji dla celów tworzenia profili klientów oraz ich oceny ze względu na możliwości prognozowania samych wypadków ubezpieczeniowych (bez względu na szkodowość). Dyskutowany jest także wpływ współzależności pomiędzy poszczególnymi elementami profilu. Na marginesie rozważań nad modelowaniem danych dla ubezpieczeń, warto zwrócić uwagę na dwa dodatkowe konteksty: możliwości i zastosowanie komercyjnych systemów informatycznych 30, a także próby budowy pierwszych systemów semantycznych dla firm ubezpieczeniowych 31. Trzeci z wyróżnionych na początku podrozdziału typów modeli, to pozostałe mo de le. Zaliczyliśmy tutaj prace niepodlegające prostemu przyporządkowaniu lub też będące w pewnej mierze meta-modelami, których przedmiotem są systemy ubezpie czeniowe jako całość. Jednym z podejść jest propozycja całościowego modelu przed siębiorstwa ubezpieczeniowego 32. Środowisko symulacyjne skupia się na aktuariacie oraz operacjach finansowych i podatkowych. W rezultacie model jest w stanie wska zać wartość firmy. Do przykładowych zastosowań autorzy zaliczają: testowanie różne go rodzaju portfeli ubezpieczeń albo badanie zależności pomiędzy wielkościami ekonomicznymi ubezpieczycieli. Autorzy kolejnego opracowania 33 zastanawiają się nad rolą ubezpieczeń oraz poziomami ich nasycenia w gospodarce rynkowej. W tym celu konstruują dynamiczny model, w którym agenty programowe mogą wybrać po mię dzy różnymi wariantami ubezpieczenia lub jego braku, jako odpowiedź na wystawienie na dane ryzyka. Model został przy stosowany do uwarunkowań gospodarki ame rykańskiej. W przedostatnim z omówionych w tej części artykułów 34, przedstawione jest podejście z zakresu teorii gier do modelowania efektów 28. Gobble E., Windeler D., Catastrophe modeling: Shifting perceptions. Canadian Underwriter, 2003, June, 70(6), s Lane, J., Glennon, D., The Estimation of Age/Earnings Profiles in Wrongful Death and Injury Cases. Journal of Risk and Insurance, 1985, 52(4), s New Version of DFA's Insurance Modeling Technology Adds Multi-Currency Capabilities and Modeling for Businesses with Complex Structures. (16 October). Business Wire lub Eckler Ltd. Signs Multi-Year Deal for ADVISE(R) and GEMS(R) Solutions from DFA. (15 December). Business Wire, 31. Po szersze omówienie tej problematyki odsyłamy, do: Tomaszewski T. op. cit. 32. Goldstein, A. B., Markowitz, B. G. SOFASIM: A Dynamic Insurance Model with Invest ment Structure, Policy Benefits and Taxes. The Journal of Finance, 1982, 37(2), s Braun H., Koeniger W., On the role of market insurance in a dynamic model. Geneva Risk and Insurance Review, 2007, 32(1), s Kihlstrom R. E., Roth A. E., Risk Aversion and the Negotiation of Insurance Contracts. Journal of Risk and Insurance, 1982, 49(3), s

7 Ontologie w ubezpieczeniowych systemach informacyjnych awersji do ryzyka w trakcie negocjowania kontraktów ubezpieczenio wych. W rezultacie wykazano, że podej ście uczestników zmienia się w przypadku ubez pieczeń negocjowanych w stosunku do zdecydowanie częstszej sytuacji ubezpieczeń masowych. Z kolei badania Leblanc a 35 są zorientowane na współczesne problemy ryzyk związanych z inwestycjami w nie konwencjonalne źródła energii. Zaproponowany model przeznaczony jest do wyboru portfela ubezpieczeń dotyczących tego rodzaju inwestycji. Autor stwierdza, że ryzyka w niektórych tego rodzaju przedsięwzięciach, modeluje się lepiej za pomocą parametrów finansowych. Na zakończenie tej części tekstu wskazujemy jeszcze skrótowo 36 dwa rozwijane od dłuższego czasu rozwiązania, które przyporządkować można do wstępnych prób ontologizowania domen ubezpieczeń (ACORD 37 ) oraz szerzej sprawozdawczości finan sowej (XBRL 38 ). ACORD (Association for Cooperative Research and Development) jest niezależną organizacją zrzeszającą interesariuszy rynku ubezpieczeń, która od lat 70. zajmuje się i rozwija standardy gromadzenia i obiegu informacji w ubezpieczeniach. W roku 1999 zasoby w tym zakresie zostały przeniesione na ramę definiującą słownictwo do opisu procesów i operacji w przedsiębiorstwach rynku ubezpieczeniowego oraz pomiędzy nimi. W tym celu wykorzystano język XML. Tak powstał promowany przez tę organizację ACORD XML. Z kolei XBRL (extensible Business Reporting Language) to język oparty na XML mający na celu dostarczenie słownictwa do reprezentowania dokumentów finanso wych w zakresie wewnętrznej i zewnętrznej sprawozdawczości. Dzięki zastosowaniu jednoznacznych reguł użycia, racjonalnemu podziałowi na poddomeny zdefiniowane taksonomie w obecnej wersji standardu dostarczają bardzo wyczerpujące i elastyczne narzędzie do reprezentacji sprawozdawczości finansowej w formie elektronicznej przyczyniając się istotnie do wzrostu interoperacyjności. Do potencjalnych korzyści z wykorzystania XBRL w ubezpieczeniach zaliczyć można: skonsolidowany zarząd i raportowanie, analizę aktuarialną, ocenę sytuacji partnerów i reasekurantów, ana lizę portfeli inwestycyjnych, określenie ryzyk korporacyjnych, wsparcie narzędzi regulacyjnych oraz właścicielskich. 2. Ontologie W poprzednim podrozdziale przedstawiliśmy różne perspektywy badań nad rozwojem modeli dla potrzeb systemów informacyjnych w dziedzinie ubezpieczeń. Wspom nieliśmy także o możliwości pojawienia się nowego podejścia wykorzystującego technologie semantyczne. Ich podstawą są ontologie. W tej i w następnych sekcjach postaramy się szczegółowo przedstawić, czym są ontologie i na czym to nowe po dejście ma polegać. 35. Leblanc E., Challenges of the Renewable Energy Industry Generate New Demands for Risk Advisory: How to Value an Insurance Package from a Financing Perspective? Geneva Papers on Risk & Insurance, 2008, 33(1), s Szersze opracowanie przedstawimy w innym artykule odczytano 25 lipca 2010 r odczytano 25 lipca 2010 r. 9

8 Wiadomości Ubezpieczeniowe 2/2010 Pojęcie ontologii wywodzi się z filozofii. Sama nazwa pojawiła się stosunkowo późno. Użyta została po raz pierwszy jako synonim słowa abstrakcja w słowniku filozoficznym zatytułowanym Lexicon philosophicum quo tamquam clavae philosophiae fors aperiuntur wydanym we Frankfurcie w 1613 roku przez Rudolfa Gocleniusa. Jednak sens, jaki jej współcześnie nadajemy, konstruowany był przez filozofów starożytnej Grecji. Ontologie w naukach związanych z przetwarzaniem informacji upowszechniają się głównie w związku z gwałtownym rozwojem nauk kognitywnych (w szczególności sztucznej inteligencji). Co prawda pierwsze pojawienie się pojęcia ontologia w informatyce pochodzi z roku 1967, jednak wówczas było to tylko pojęcie pomocnicze technik modelowania danych. Dopiero gwałtowny rozwój informatyki, a w szczególności Internetu, a co za tym idzie porządkowania pojęć dla późniejszego wykorzystania ich w reprezentacji wiedzy i automatycznym wnioskowaniu, spowodowało nadanie ontologii nowego sensu. Poprzez termin ontologia rozumie się generalnie sformalizowane definicje pojęć i ich konceptualizację oraz formalne określenie powiązań zachodzących pomiędzy nimi 39. Z definicji tej wynika, że ontologia zajmuje się opisem i zdefiniowaniem tego, co jest, występującego pod różnymi postaciami bytów napotkanych rzeczywiście, stworzonych i wyobrażonych, jako pojęcia i myśli, czy wreszcie pod postacią symboli, które można zapisać. Ontologia z zasady zajmuje się pewnym wycinkiem rzeczywistości ten wycinek (domena) musi być określony. Jednoznaczność przekazu opisywanej wiedzy wymaga wykorzystania różnorakich technik opisu. Ontologia jest abstrakcyjnym modelem rzeczywistości, przy czym w zależności od podejścia może ona zawierać także elementy formalnej teorii 40. Do podstawowych rodzajów ontologii będących jednocześnie wczesnymi i najbardziej prymitywnymi formami prostych ontologii są kategoryzacja oraz hierarchizacja. Definiowane są one na stę pu ją co: Kategoryzacja zdolność przyporządkowania symbolu występującego w komunikacie do określonej grupy obiektów, które to obiekty posiadają określone cechy, np. ubezpieczenie klasa ubezpieczeń, pojęcie ogólne ubezpieczenie. Zestaw tych grup można określić jako zewnętrzny model pojmowania świata Hierarchizacja umiejscowienie określonej klasy w hierarchicznej strukturze. Instancja klasy, poza oczywistymi charakterystykami wynikającymi z przynależności do klasy, posiada także cechy dziedziczone z klas nadrzędnych Gruber T.R., A Translation Approach to Portable Ontology Specifications, Knowledge Acquisition, Vol. 5, Formalizmu użytego do tworzenia ontologii. Np. języki takie OWL DL czy WSML oferują do wykorzystania aparat logiczny logikę deskryptywną lub formalizm zbliżony do logik pierwszego rzędu. 41 Maedche, A., Staab, S., Measuring Similarity between Ontologies. In: Proc. of the European Conference on Knowledge Acquisition and Management EKAW-2002, Madrid, Spain, LNCS/LNAI 2473, Springer,

9 Ontologie w ubezpieczeniowych systemach informacyjnych Zastosowanie zarówno kategoryzacji, jak i hierarchizacji, pozwala budować proste abstrakcyjne modele rzeczywistości. W przypadku zastosowania do zapisu takiego mo - de lu wyodrębnionego wycinka świata formalnego aparatu (języka opisu), daje w re zultacie prostą ontologię. Warto wyraźniej podkreślić cechy charakterystyczne ontologii. W literaturze często pojawiają się następujące postulaty dotyczące nie tyle samej ich konstrukcji, co ontologii jako takich: Ontologia nie stanowi listy, katalogu czy taksonomii obiektów, stwarza natomiast formalne przesłanki, wedle których takowe mogą być budowane Ontologia jest oderwana od epistemologii (teorii poznania), powiązana jest z obiektem, a nie jego subiektywnym odbiorem Ontologia musi uchwycić rzeczywistość na różnych poziomach atomizacji, jak również relacje pomiędzy tak wyodrębnionymi warstwami Naturalne jest istnienie wielu ontologii uznanie braku możliwości stworzenia jednej ogólnej ontologii, przy czym każda ontologia może być poprawna W przeciwieństwie do typowego podejścia analitycznego relacje między obiektami nie są ujęte w postaci funkcji zależności nie muszą być ilościowe Nauka rozpoczyna proces od mierzenia i predykcji, ontologia zaś od stworzenia taksonomii 42. Tworzenie oraz wykorzystanie ontologii jest już stosunkowo dobrze rozpoznane. Istnieje określona liczba opisanych i przebadanych metod oraz narzędzi te metody wspierających. Wykres 1 zawiera wyszczególnienie przykładowych metod. Wykres 1. Zestawienie metod tworzenia ontologii wraz z częstością ich zastosowania (w proc.) 70,0 60,0 60,0 50,0 40,0 30,0 20,0 10,0 0,0 Źródło: Cardoso J., The Semantic Web Vision: Where are We? IEEE Intelligent Systems, September/October 2007, s , Ibidem. Brak metody 13,9 On-To-Knowledge 7,4 METHONTOLOGY 4,2 Metoda Uschold & King'a Metoda Cyc 2,7 2,5 2,2 1,5 0,7 0,7 Metoda Gruninger & Fox'a Metoda DILIGENT Metoda KACTUS Metoda SENSUS 13,2 Metoda Noy & McGuiness Pozostałe 11

10 Wiadomości Ubezpieczeniowe 2/2010 Rozpoczynając od prostych modeli wiedzy stanowiących punkt odniesienia dla stron przekazu, jako swoisty rodzaj meta-języka, pojawiają się coraz to nowe pomysły zastosowań ontologii. One same zaś przechodzą przeobrażenia do bardzo zaawansowanych baz wiedzy. Wykres 2. Procentowe zestawienie rozwijanych ontologii (wg danych dostarczonych przez ich twórców) w rozbiciu na dziedziny działalności gospodarczej (w proc.). 35,0 30,0 31,0 28,5 25,0 20,0 17,0 17,0 16,5 15,0 10,0 5,0 0,0 13,0 12,8 11,3 9,8 Źródło: Cardoso J., The Semantic Web Vision: Where are We? IEEE Intelligent Systems, September/October 2007, s , ,6 7,4 6,6 3,7 3,4 3,2 2,0 1,7 0,7 12,5 Edukacja Komputery Rząd Usługi biznesowe Medycyna Komunikacja Media Zdrowie Motoryzacja Produkcja Konsulting i integracja Bankowość Rozrywka Transport Energetyka Ubezpieczenia Sprzedaż FMCG Pozostałe Wykres 2 przedstawia zestawienie dziedzin działalności gospodarczej, dla których tworzone są ontologie 43. Wynik osiągnięty dla sektora ubezpieczeń zdecydowanie nie odzwierciedla skali potrzeb i możliwości, jakie byłyby dane przez wykorzystanie mechanizmów, o których mówimy. Jest on naszym zdaniem wynikiem niskiego poziomu dyfuzji wiedzy o nowoczesnych rozwiązaniach w zakresie zarządzania wiedzą do podmiotów tego sektora. 3. Budowa ontologii W literaturze można spotkać się z twierdzeniem, iż jednym z podstawowych zastosowań tworzonych ontologii jest pełnienie funkcji (...) systemu pojęć na potrzeby konceptualizacji określonej dziedziny ( ). A jednocześnie, co za tym idzie, (...) narzucania sposobu rozumienia tej dziedziny poprzez wskazanie pojęć podstawowych, do których odnoszone są wszystkie inne 44 ( ). Można zaryzykować twierdzenie, że jednym z ważniejszych celów tworzenia ontologii jest kreacja wąskiego, specjalistycznego aparatu pojęciowego. Aparat ten w zamyśle ma wspomagać i odpowiadać za sprawną 43. Badania zostały oparte na danych ze Stanów Zjednoczonych Am. Półn. z 2007 roku. 44. Vetulani Z., Systemy ontologiczne wobec rozwoju edziedzin, w: Sztuczna Inteligencja, organizacje wirtualne, nr 22, WAP, Siedlce

11 Ontologie w ubezpieczeniowych systemach informacyjnych oraz jednoznaczną wymianę informacji pomiędzy jego użytkownikami. Równocześnie wiedza, która jest zawarta w stworzonym aparacie pojęciowym, może wspomagać ro zu mowania wykonywane zarówno przez ludzi, jak i systemy informatyczne. Warto zwrócić uwagę na wyszczególnienie potencjalnych odbiorców ontologii. Kto może, w bezpośredni (lub pośredni) sposób, wykorzystywać tworzone modele rze czywistości? Przede wszystkim agenty 45 działające w systemach informacyjnych, w szczególności te o dużym stopniu zautomatyzowania oraz heterogeniczności architektury (systemy eksperckie, w tym w szczególności systemy wspomagania decyzji), ale także możliwe jest szerokie zastosowanie w ramach koncepcji Internetu Semantycznego 46. Niemniej warto zwrócić uwagę, że wykorzystywać ontologię mogą także ludzie w spo sób bezpośredni, np. jako źródła referencyjne. Tak jak stwierdziliśmy powyżej podstawowym celem tworzenia ontologii jest budowa semantycznych elementów języka, którym mogą się posługiwać ludzie i systemy informacyjne. Oprócz celu podstawowego, można także wyróżnić inne cele poboczne: Ścisłe (precyzyjne) określenie zakresu dziedziny, dla której ontologia jest tworzona Określenie pojęć kluczowych dla danej dziedziny, a także wagi pojęć pomocniczych (mniej istotnych) Precyzyjne zdefiniowanie pojęć tworzących ontologię Likwidacja wieloznaczności oraz redundancji w wyrażeniach zaczerpniętych ze słownika potocznego Utworzenie właściwej hierarchii pojęć oraz określenie zachodzących pomiędzy nimi relacji 47. Jak więc wynika wyraźnie z powyższej listy, tworzenie ontologii ma w konsekwencji charakter porządkujący oraz dookreślający. Z kolei wykorzystanie języków formalnych może służyć istotnemu wzrostowi użyteczności zgromadzonej wiedzy poprzez za - przęg nięte do tego celu zaawansowane narzędzia informatyczne (wykorzystujące tak potraktowaną ontologię, jako bazę wiedzy). Dodatkowo nie można zapomnieć o kolejnej zalecie właściwie skonstruowanej ontologii, jaką jest możliwość wielokrotnego wykorzystania zamodelowanej wiedzy. Wreszcie, mając daną określoną ontologiczną strukturę wiedzy, możliwe jest zwiększenie precyzji modelowania złożonych relacji zachodzących w świecie rzeczywistym. Taki wzrost dokładności będzie miał wpływ na wierniejsze respektowanie standardów w danej dziedzinie zastosowań o ile zostaną one uwzględnione w samej ontologii. Jak już wcześniej wspomniano, początkowe formy prostych ontologii wykorzystywały takie instrumenty jak kategoryzacja i hierarchizacja. Pewnymi formami ontologii, powstającymi dużo wcześniej, przed epoką informatyzacji, były słowniki. Różniły się 45. Przez termin agenty rozumiemy tutaj szeroki zakres bytów wchodzących w interakcje z systemem (mogą to być agenty programowe, użytkownicy ludzie lub wydzielone podsystemy oraz komponenty). 46. W obu przypadkach warunkiem jest posiadanie odpowiednich narzędzi i infrastruktury przede wszystkim sformalizowanych języków do reprezentacji wiedzy zawartej w zamierzonej ontologii. 47. Gruber T.R., A Translation Approach to Portable Ontology Specifications, Knowledge Acquisition, Vol. 5,

12 Wiadomości Ubezpieczeniowe 2/2010 one jednak przede wszystkim brakiem lub niskim stopniem formalizacji opisywanych pojęć. Struktury ontologiczne można pogrupować według różnych kryteriów. Przykładowy podział ontologii może wyglądać następująco: Taksonomie wyczerpujące klasyfikacje obejmujące wiele dziedzin, np. kategorie w systemach wyszukiwawczych www Klasyfikacje podziały obejmujące najwyżej kilka dziedzin Katalogi np. katalogi produktów w sklepach on-line Specjalistyczne słowniki ontologie definiujące standardową terminologię używaną w określonym kontekście, np. UMLS (Zunifikowany Język Medyczny), UNSPSC (Zunifikowany Język Produktów i Usług) Podstawowe elementy ontologii oraz meta-ontologie Aby tworzona ontologia mogła sprostać wszystkim wymienionym wcześniej zało żeniom i aby możliwe było osiągnięcie stawianych przed nią celów, niezbędna jest od powiednia konstrukcja. Konstrukcja ontologii złożona jest oczywiście z różnorodnych elementów. Zazwyczaj elementami takimi są: Koncepty (ożywione i nieożywione) ściśle związane z daną dziedziną (w tym także osoby) Cechy (właściwości) i atrybuty odpowiadające tym konceptom Ograniczenia cech i atrybutów Konkretni przedstawiciele określonych konceptów Relacje. Wymienione elementy nazywają typy bytów, z których składają się określone rodzaje ontologii. Ontologie mogą różnić się pod względem typów elementów je tworzących. Jeżeli ze zbioru tychże typów utworzymy pojęcia w pewnej ontologii, otrzymamy meta- -ontologię. Stworzenie meta-ontologii definiującej wszystkie elementy, z których mogą być budowane inne ontologie, byłoby trudne. Przy znacznej większości tradycyjnych sposobów użycia, niecelowe. Dlatego zazwyczaj poprzez meta-ontologię rozumieć będziemy ontologię (wyższego rzędu) opisującą elementy (byty) wykorzystywane w związku z projektowaniem i budowaniem danej ontologii niższego rzędu. Inaczej mówiąc meta- -ontologia (przy bardziej pragmatycznym podejściu), to ontologia opisująca szereg pojęć i ich relacji, opisujących byty wykorzystywane w procesie kreowania czy opisywania struktury projektowanej ontologii jest to pewien dobrze skonstruowany podzbiór pełnej meta-ontologii. Najważniejszymi składnikami tworzącymi meta-ontologie są: Podontologie (ontologie podrzędne, mikroteorie) zbiory porządkujące zawierające powiązane ze sobą koncepty 48. Noy N. F., Ontology Engineering for the Semantic Web and Beyond, prezentacja, odczytano: 16 wrześ nia 2006 r. 14

13 Ontologie w ubezpieczeniowych systemach informacyjnych Koncepty typy, reprezentujące zbiory (grupy) obiektów o wspólnych cechach Nadkoncepty pojęcia nadrzędne taksonomiczni przodkowie podkonceptów Podkoncepty pojęcia dziedziczące cechy jednego lub kilku nadkonceptów Instancje konkretyzacje konceptów lub relacji, mogące odpowiadać bytom rzeczywistym lub abstrakcyjnym Anotacje działania przeprowadzane przez konkretne obiekty Właściwości cechy obiektów i związki mogące między nimi zachodzić Ograniczenia wartości brzegowe charakterystyczne dla danych właściwości Relacje związki znaczeniowe, specyficzny typ właściwości nie określającej jednego bytu, lecz wzajemne stosunki zachodzące między co najmniej dwoma Cechy pola opisujące dany koncept i mogące przyjąć wartości o określonym typie 49. Z częścią tych bytów czytelnik miał okazję już się spotkać przy okazji omówienia składowych samych ontologii. Należy jednak pamiętać, że w przypadku meta-ontologii pojęcia te mają odmienną konotację. Przykłady przedstawione w jednej z cytowanych już prac 50 bardzo dobrze obrazują potencjał zastosowań technologii semantycznych oraz ontologii dla rozwoju informatyki ubezpieczeniowej. Jak wynika jednak z badań (Wykres 3), zaledwie 2 proc. two rzonych ontologii przeznaczonych jest dla ubezpieczeń. Zakończenie W rozprawie wskazano na ontologie, jako sposób reprezentacji stosowany w za - rządzaniu wiedzą. Przygotowano w ten sposób podstawę konceptualną dla zademonstrowania możliwości zastosowania ontologii w ubezpieczeniach poprzez wsparcie dwóch klu czowych dla tej domeny obszarów: reprezentacji wiedzy o regulacjach prawnych oraz normalizacji po ję cia ryzyka. Ponadto wskazano na kierunki rozwoju tworzenia modeli dla potrzeb ubez pieczeń argumentując, że rozpoczęcie operowania na modelach semantycznych może otwierać nowe możliwości związane z gromadzeniem i przetwa rzaniem informacji. 49. Noy N. F., McGuinness D. L. Ontology Development 101: A Guide to Creating Your First Ontology. Stanford Knowledge Systems Laboratory Technical Report KSL and Stanford Medical Informatics Technical Report SMI , March Tomaszewski T. op. cit. 15

14 Wiadomości Ubezpieczeniowe 2/2010 Wykaz źródeł: Abramowicz W., Filtrowanie Informacji, Wydawnictwo Akademii Ekonomicznej w Poznaniu, Poznań Alexander P., Baden S., Glossary on macroeconomics from a gender perspective, Institute of De velopment Studies, University of Sussex, ( ). Bar-Niv R., Bickelhaupt D. L., Research in International Risk and Insurance: Summary, Synthesis, and Prospects Journal of Risk and Insurance, 1986 nr 53(1). Braun H., Koeniger W., On the role of market insurance in a dynamic model, Geneva Risk and Insurance Review, 2007 nr 32(1). Cardoso J., The Semantic Web Vision: Where are We? IEEE Intelligent Systems, 2007 nr 9/10. Craig H., New directions in risk management, Canadian Insurance, 1996 nr 101(11). Djehiche B., Review of Non-Life Insurance Mathematics An Introduction with Stochastic Processes, Scandinavian Actuarial Journal, 2004 nr 6. Fama E. F., Multifactor Portfolio Efficiency and Multifactor Asset Pricing, The Journal of Fi nancial and Quantitative Analysis, 1996 nr 4. Frees E. W., Wang P., Copula credibility for aggregate loss models, Insurance, Mathematics & Economics, 2006, nr 38(2). Janssen J., De Dominicis R., Finite Non-Homogeneous Semi-Markov Processes: Theoretical and Computational Aspects, Insurance, Mathematics & Economics, 1984 nr 3. Gobble E., Windeler D., Catastrophe modeling: Shifting perceptions, Canadian Underwriter, 2003 nr 70(6). Goldstein A. B., Markowitz B. G., SOFASIM: A Dynamic Insurance Model with Investment Structure, Policy Benefits and Taxes, The Journal of Finance, 1982 nr 37(2). Gori S., Padrone M., Is game theory a useful tool for terrorism insurance?, International Journal of Risk Assessment and Management, 2007 nr 7(8). Gruber T. R., A Translation Approach to Portable Ontology Specifications, Technical Report KSL 92-71, KNOWLEDGE SYSTEMS LABORATORY, Computer Science Department, Stanford University &type=pdf ( ). Guarino N., Formal Ontology and Information Systems, w Proceedings of FOIS 98, Trento, Italy, 6-8 June 1998, IOS Press Amsterdam Handschke J., Internet w działalności ubezpieczeniowej w Polsce: ze szczególnym uwzględnieniem dystrybucji, red. Jerzy Handschke, Katedra Ubezpieczeń Akademii Eko nomicznej, Poznań Hasło Ontologia, Helwig Z., Rozważania nad istotą modelu ekonometrycznego, Ekonomista, 1974 nr 4. Henderson, G. V. Jr., Problems and Solutions in Conducting Event Studies. Journal of Risk and Insurance, 1990 nr 57(2). Jin Y., Rejesus R. M,, Little B. B., Binary choice models for rare events data: a crop insurance fraud application, Applied Economics, 2005 nr 37(7). 16

15 Ontologie w ubezpieczeniowych systemach informacyjnych Kihlstrom R. E., Roth A. E., Risk Aversion and the Negotiation of Insurance Contracts., Journal of Risk and Insurance, 1982 nr 49(3). Kowaczyk P., Poprawska E., Ronka-Chmielowiec W., Metody aktuarialne, PWN, Warszawa Lai L., Underwriting profit margin of P/L insurance in the fuzzy-icapm, Geneva Risk and Insurance Review, 2006 nr 31(1). Lane J., Glennon D., The Estimation of Age/Earnings Profiles in Wrongful Death and Injury Cases, Journal of Risk and Insurance, 1985 nr 52(4). Lange O., The Scope and Method of Economics, The Review of Economic Studies, , nr 1. Leblanc E., Challenges of the Renewable Energy Industry Generate New Demands for Risk Advisory: How to Value an Insurance Package from a Financing Perspective?, Geneva Pa - pers on Risk & Insurance, 2008 nr 33(1). Maedche, A., Staab, S., Measuring Similarity between Ontologies, w: Proc. of the European Conference on Knowledge Acquisition and Management EKAW-2002, Madrid, Spain, Sprin ger-verlag, Heilderberg, Berlin 2002, i= &rep=rep1&type=pdf ( ). Noy N. F., McGuinness D. L., Ontology Development 101: A Guide to Creating Your First Ontology, Stanford Knowledge Systems Laboratory Technical Report KSL and Stanford Medical Informatics Technical Report SMI , March Noy N. F., Ontology Engineering for the Semantic Web and Beyond, resources/tutorials/intro/slides/ontologyengineering.ppt ( ). Sharp D., Leksykon pojęć i idei C.G. Junga, Wydawnictwo Wrocławskie, Szurek M. Matematyka dla humanistów, Wydawnictwo RTW, Warszawa Tomaszewski T., Przykłady zastosowań koncepcji semantycznej reprezentacji ryzyka w ubezpieczeniowych systemach informacyjnych, w Studia Ubezpieczeniowe, red. Jerzy Handschke, Zeszyty Naukowe Nr 127, Uniwersytet Ekonomiczny w Poznaniu, Poznań Vetulani Z. Systemy ontologiczne wobec rozwoju edziedzin, w: Sztuczna Inteligencja, organizacje wirtualne, WAP, Siedlce 2003, nr 22. Yin G., Liu Y. J., Yang H., Bounds of ruin probability for regime-switching models using time scale separation, Scandinavian Actuarial Journal, 2006 nr 2. Ontology as a tool used for building models in insurance information systems Summary In this text, the authors summarise the work carried out as part of modelling knowledge and insurance information. The authors present ontology in IT, that is a new structure used to gather and sort out information. Additionally, the article also indicates two crucial areas related to insurance modelling, namely representation of knowledge of legal regulations and the standardisation of the concept of risk. Both areas are very important for the correctness of information flow processes in insurance market companies. The theoretical review based on literature research helps present, in a synthetic way, the concept and start 17

16 Wiadomości Ubezpieczeniowe 2/2010 discussion on its possible applications for modelling insurance information by means of se mantic models in particular in the two areas mentioned above. Using ontology and star ting operations on semantic models will contribute to gaining new possibilities related to gathering, processing and operations on information in insurance systems. Prof. dr hab. WITOLD ABRAMOWICZ kieruje Katedrą Informatyki Ekonomicznej na Uniwersytecie Ekonomicznym w Poznaniu, prowadzi cykl konferencji Business Information Systems odbywających się co roku. Dr PIOTR STOLARSKI jest pracownikiem Uniwersytetu Ekonomicznego w Poznaniu, w Ka tedrze Informatyki Ekonomicznej. Absolwent Wydziału Ekonomii Akademii Ekonomicznej w Poznaniu oraz Wydziału Prawa i Administracji UAM. Dr TADEUSZ TOMASZEWSKI jest niezależnym konsultantem, wcześniej adiunktem i starszym wykładowcą na Uniwersytecie Ekonomicznym w Poznaniu, w Katedrze Infor matyki Ekonomicznej. Recenzenci: dr hab. Grzegorz Bartoszewicz, dr Stefan Szyszko. 18

Charakter prawny umowy z otwartym funduszem emerytalnym Damian Pietrzyk 165

Charakter prawny umowy z otwartym funduszem emerytalnym Damian Pietrzyk 165 Spis treści ROZPRAWY NAUKOWE Ontologie jako narzędzie budowy modeli w ubezpieczeniowych systemach informacyjnych Witold Abramowicz, Piotr Stolarski, Tadeusz Tomaszewski 3 Ubezpieczenia w sektorze MSP w

Bardziej szczegółowo

Komputerowe Systemy Przemysłowe: Modelowanie - UML. Arkadiusz Banasik arkadiusz.banasik@polsl.pl

Komputerowe Systemy Przemysłowe: Modelowanie - UML. Arkadiusz Banasik arkadiusz.banasik@polsl.pl Komputerowe Systemy Przemysłowe: Modelowanie - UML Arkadiusz Banasik arkadiusz.banasik@polsl.pl Plan prezentacji Wprowadzenie UML Diagram przypadków użycia Diagram klas Podsumowanie Wprowadzenie Języki

Bardziej szczegółowo

SCENARIUSZ LEKCJI. TEMAT LEKCJI: Zastosowanie średnich w statystyce i matematyce. Podstawowe pojęcia statystyczne. Streszczenie.

SCENARIUSZ LEKCJI. TEMAT LEKCJI: Zastosowanie średnich w statystyce i matematyce. Podstawowe pojęcia statystyczne. Streszczenie. SCENARIUSZ LEKCJI OPRACOWANY W RAMACH PROJEKTU: INFORMATYKA MÓJ SPOSÓB NA POZNANIE I OPISANIE ŚWIATA. PROGRAM NAUCZANIA INFORMATYKI Z ELEMENTAMI PRZEDMIOTÓW MATEMATYCZNO-PRZYRODNICZYCH Autorzy scenariusza:

Bardziej szczegółowo

Proces badawczy schemat i zasady realizacji

Proces badawczy schemat i zasady realizacji Proces badawczy schemat i zasady realizacji Agata Górny Zaoczne Studia Doktoranckie z Ekonomii Warszawa, 14 grudnia 2014 Metodologia i metoda badawcza Metodologia Zadania metodologii Metodologia nauka

Bardziej szczegółowo

KARTA PRZEDMIOTU. 1. NAZWA PRZEDMIOTU: Ubezpieczenia majątkowe 2. KIERUNEK: MATEMATYKA. 3. POZIOM STUDIÓW: I stopnia 4. ROK/ SEMESTR STUDIÓW: III/6

KARTA PRZEDMIOTU. 1. NAZWA PRZEDMIOTU: Ubezpieczenia majątkowe 2. KIERUNEK: MATEMATYKA. 3. POZIOM STUDIÓW: I stopnia 4. ROK/ SEMESTR STUDIÓW: III/6 KARTA PRZEDMIOTU 1. NAZWA PRZEDMIOTU: Ubezpieczenia majątkowe 2. KIERUNEK: MATEMATYKA 3. POZIOM STUDIÓW: I stopnia 4. ROK/ SEMESTR STUDIÓW: III/6 5. LICZBA PUNKTÓW ECTS: 5 6. LICZBA GODZIN: 30 / 30 7.

Bardziej szczegółowo

Efekty kształcenia dla kierunku ekonomia studia pierwszego stopnia

Efekty kształcenia dla kierunku ekonomia studia pierwszego stopnia Załącznik nr 1 do Uchwały nr 7/VI/2012 Senatu Wyższej Szkoły Handlowej im. Bolesława Markowskiego w Kielcach z dnia 13 czerwca 2012 roku. Efekty kształcenia dla kierunku ekonomia studia pierwszego stopnia

Bardziej szczegółowo

Efekty kształcenia dla kierunku ekonomia studia drugiego stopnia

Efekty kształcenia dla kierunku ekonomia studia drugiego stopnia Załącznik nr 1 do Uchwały nr 9/VI/2012 Senatu Wyższej Szkoły Handlowej im. Bolesława Markowskiego w Kielcach z dnia 13 czerwca 2012 roku. Efekty kształcenia dla kierunku ekonomia studia drugiego stopnia

Bardziej szczegółowo

Wykład I. Wprowadzenie do baz danych

Wykład I. Wprowadzenie do baz danych Wykład I Wprowadzenie do baz danych Trochę historii Pierwsze znane użycie terminu baza danych miało miejsce w listopadzie w 1963 roku. W latach sześcdziesątych XX wieku został opracowany przez Charles

Bardziej szczegółowo

MATRYCA EFEKTÓW KSZTAŁCENIA

MATRYCA EFEKTÓW KSZTAŁCENIA ZAŁĄCZNIK NR 2 MATRYCA EFEKTÓW KSZTAŁCENIA Studia podyplomowe ZARZĄDZANIE FINANSAMI I MARKETING Przedmioty OPIS EFEKTÓW KSZTAŁCENIA Absolwent studiów podyplomowych - ZARZĄDZANIE FINANSAMI I MARKETING:

Bardziej szczegółowo

EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW ZARZĄDZANIE STUDIA PIERWSZEGO STOPNIA - PROFIL OGÓLNOAKADEMICKI

EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW ZARZĄDZANIE STUDIA PIERWSZEGO STOPNIA - PROFIL OGÓLNOAKADEMICKI EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW ZARZĄDZANIE STUDIA PIERWSZEGO STOPNIA - PROFIL OGÓLNOAKADEMICKI Umiejscowienie kierunku w obszarach kształcenia Kierunek studiów Zarządzanie reprezentuje dziedzinę

Bardziej szczegółowo

Web 3.0 Sieć Pełna Znaczeń (Semantic Web) Perspektywy dla branży motoryzacyjnej i finansowej. Przyjęcie branżowe EurotaxGlass s Polska 10 luty 2012

Web 3.0 Sieć Pełna Znaczeń (Semantic Web) Perspektywy dla branży motoryzacyjnej i finansowej. Przyjęcie branżowe EurotaxGlass s Polska 10 luty 2012 Web 3.0 Sieć Pełna Znaczeń (Semantic Web) Perspektywy dla branży motoryzacyjnej i finansowej Przyjęcie branżowe EurotaxGlass s Polska 10 luty 2012 Web 3.0 - prawdziwa rewolucja czy puste hasło? Web 3.0

Bardziej szczegółowo

Wykorzystanie standardów serii ISO 19100 oraz OGC dla potrzeb budowy infrastruktury danych przestrzennych

Wykorzystanie standardów serii ISO 19100 oraz OGC dla potrzeb budowy infrastruktury danych przestrzennych Wykorzystanie standardów serii ISO 19100 oraz OGC dla potrzeb budowy infrastruktury danych przestrzennych dr inż. Adam Iwaniak Infrastruktura Danych Przestrzennych w Polsce i Europie Seminarium, AR Wrocław

Bardziej szczegółowo

Badania eksploracyjne Badania opisowe Badania wyjaśniające (przyczynowe)

Badania eksploracyjne Badania opisowe Badania wyjaśniające (przyczynowe) Proces badawczy schemat i zasady realizacji Agata Górny Demografia Wydział Nauk Ekonomicznych UW Warszawa, 4 listopada 2008 Najważniejsze rodzaje badań Typy badań Podział wg celu badawczego Badania eksploracyjne

Bardziej szczegółowo

technologii informacyjnych kształtowanie , procesów informacyjnych kreowanie metod dostosowania odpowiednich do tego celu środków technicznych.

technologii informacyjnych kształtowanie , procesów informacyjnych kreowanie metod dostosowania odpowiednich do tego celu środków technicznych. Informatyka Coraz częściej informatykę utoŝsamia się z pojęciem technologii informacyjnych. Za naukową podstawę informatyki uwaŝa się teorię informacji i jej związki z naukami technicznymi, np. elektroniką,

Bardziej szczegółowo

Diagramy ERD. Model struktury danych jest najczęściej tworzony z wykorzystaniem diagramów pojęciowych (konceptualnych). Najpopularniejszym

Diagramy ERD. Model struktury danych jest najczęściej tworzony z wykorzystaniem diagramów pojęciowych (konceptualnych). Najpopularniejszym Diagramy ERD. Model struktury danych jest najczęściej tworzony z wykorzystaniem diagramów pojęciowych (konceptualnych). Najpopularniejszym konceptualnym modelem danych jest tzw. model związków encji (ERM

Bardziej szczegółowo

Spis treści. 1. Analiza zmian i tendencje rozwoju rynku ubezpieczeń komunikacyjnych

Spis treści. 1. Analiza zmian i tendencje rozwoju rynku ubezpieczeń komunikacyjnych Spis treści Wstęp... 9 1. Analiza zmian i tendencje rozwoju rynku ubezpieczeń komunikacyjnych w Polsce... 11 1.1. Charakterystyka i regulacje prawne rynku ubezpieczeń komunikacyjnych w Europie... 11 1.2.

Bardziej szczegółowo

STUDIA I MONOGRAFIE NR

STUDIA I MONOGRAFIE NR STUDIA I MONOGRAFIE NR 21 WYBRANE ZAGADNIENIA INŻYNIERII WIEDZY Redakcja naukowa: Andrzej Cader Jacek M. Żurada Krzysztof Przybyszewski Łódź 2008 3 SPIS TREŚCI WPROWADZENIE 7 SYSTEMY AGENTOWE W E-LEARNINGU

Bardziej szczegółowo

ZAKRES TEMATYCZNY EGZAMINU LICENCJACKIEGO

ZAKRES TEMATYCZNY EGZAMINU LICENCJACKIEGO Wydział Nauk Ekonomicznych i Zarządzania Kierunek Analityka Gospodarcza Studia stacjonarne I stopnia ZAKRES TEMATYCZNY EGZAMINU LICENCJACKIEGO Zagadnienia ogólnoekonomiczne 1. Aktualna sytuacja na europejskim

Bardziej szczegółowo

Współczesna problematyka klasyfikacji Informatyki

Współczesna problematyka klasyfikacji Informatyki Współczesna problematyka klasyfikacji Informatyki Nazwa pojawiła się na przełomie lat 50-60-tych i przyjęła się na dobre w Europie Jedna z definicji (z Wikipedii): Informatyka dziedzina nauki i techniki

Bardziej szczegółowo

PRZYKŁADY BUDOWY MODELI REGRESYJNYCH I KLASYFIKACYJNYCH. Wprowadzenie do problematyki modelowania statystycznego

PRZYKŁADY BUDOWY MODELI REGRESYJNYCH I KLASYFIKACYJNYCH. Wprowadzenie do problematyki modelowania statystycznego PRZYKŁADY BUDOWY MODELI REGRESYJNYCH I KLASYFIKACYJNYCH Janusz Wątroba, StatSoft Polska Sp. z o.o. Tematyka artykułu obejmuje wprowadzenie do problematyki modelowania statystycznego i jego roli w badaniu

Bardziej szczegółowo

Algorytmy i bazy danych (wykład obowiązkowy dla wszystkich)

Algorytmy i bazy danych (wykład obowiązkowy dla wszystkich) MATEMATYKA I EKONOMIA PROGRAM STUDIÓW DLA II STOPNIA Data: 2010-11-07 Opracowali: Krzysztof Rykaczewski Paweł Umiński Streszczenie: Poniższe opracowanie przedstawia projekt planu studiów II stopnia na

Bardziej szczegółowo

Monitoring procesów z wykorzystaniem systemu ADONIS

Monitoring procesów z wykorzystaniem systemu ADONIS Monitoring procesów z wykorzystaniem systemu ADONIS BOC Information Technologies Consulting Sp. z o.o. e-mail: boc@boc-pl.com Tel.: (+48 22) 628 00 15, 696 69 26 Fax: (+48 22) 621 66 88 BOC Management

Bardziej szczegółowo

Karta opisu przedmiotu Zaawansowane techniki analizy systemowej oparte o modelowanie warsztaty

Karta opisu przedmiotu Zaawansowane techniki analizy systemowej oparte o modelowanie warsztaty Karta opisu przedmiotu Zaawansowane techniki analizy systemowej oparte o modelowanie warsztaty przedmiotu Stopień studiów i forma: Rodzaj przedmiotu Kod przedmiotu Grupa kursów Zaawansowane techniki analizy

Bardziej szczegółowo

Wykład z dnia 8 lub 15 października 2014 roku

Wykład z dnia 8 lub 15 października 2014 roku Wykład z dnia 8 lub 15 października 2014 roku Istota i przedmiot statystyki oraz demografii. Prezentacja danych statystycznych Znaczenia słowa statystyka Znaczenie I - nazwa zbioru danych liczbowych prezentujących

Bardziej szczegółowo

EFEKTY KSZTAŁCENIA NA STUDIACH PODYPLOMOWYCH NAUCZANIE PRZYRODY W SZKOLE PODSTAWOWEJ

EFEKTY KSZTAŁCENIA NA STUDIACH PODYPLOMOWYCH NAUCZANIE PRZYRODY W SZKOLE PODSTAWOWEJ EFEKTY KSZTAŁCENIA NA STUDIACH PODYPLOMOWYCH NAUCZANIE PRZYRODY W SZKOLE PODSTAWOWEJ 1. Umiejscowienie studiów w obszarze nauki Studia podyplomowe, realizowane są jako kierunek kształcenia obejmujący wybrane

Bardziej szczegółowo

MiASI. Modelowanie systemów biznesowych. Piotr Fulmański. 7 stycznia 2010. Wydział Matematyki i Informatyki, Uniwersytet Łódzki, Polska

MiASI. Modelowanie systemów biznesowych. Piotr Fulmański. 7 stycznia 2010. Wydział Matematyki i Informatyki, Uniwersytet Łódzki, Polska MiASI Modelowanie systemów biznesowych Piotr Fulmański Wydział Matematyki i Informatyki, Uniwersytet Łódzki, Polska 7 stycznia 2010 Spis treści 1 Czym jest system biznesowy? Po co model bizensowy? Czym

Bardziej szczegółowo

Ontologie, czyli o inteligentnych danych

Ontologie, czyli o inteligentnych danych 1 Ontologie, czyli o inteligentnych danych Bożena Deka Andrzej Tolarczyk PLAN 2 1. Korzenie filozoficzne 2. Ontologia w informatyce Ontologie a bazy danych Sieć Semantyczna Inteligentne dane 3. Zastosowania

Bardziej szczegółowo

Etapy modelowania ekonometrycznego

Etapy modelowania ekonometrycznego Etapy modelowania ekonometrycznego jest podstawowym narzędziem badawczym, jakim posługuje się ekonometria. Stanowi on matematyczno-statystyczną formę zapisu prawidłowości statystycznej w zakresie rozkładu,

Bardziej szczegółowo

Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego

Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne

Bardziej szczegółowo

Mariusz Nowak Instytut Informatyki Politechnika Poznańska

Mariusz Nowak Instytut Informatyki Politechnika Poznańska Inteligentne budynki (2) Źródła Loe E. C., Cost of Intelligent Buildings, Intelligent Buildings Conference, Watford, U. K., 1994 Nowak M., Zintegrowane systemy zarządzania inteligentnym budynkiem, Efektywność

Bardziej szczegółowo

Analiza i projektowanie aplikacji Java

Analiza i projektowanie aplikacji Java Analiza i projektowanie aplikacji Java Modele analityczne a projektowe Modele analityczne (konceptualne) pokazują dziedzinę problemu. Modele projektowe (fizyczne) pokazują system informatyczny. Utrzymanie

Bardziej szczegółowo

DLA SEKTORA INFORMATYCZNEGO W POLSCE

DLA SEKTORA INFORMATYCZNEGO W POLSCE DLA SEKTORA INFORMATYCZNEGO W POLSCE SRK IT obejmuje kompetencje najważniejsze i specyficzne dla samego IT są: programowanie i zarządzanie systemami informatycznymi. Z rozwiązań IT korzysta się w każdej

Bardziej szczegółowo

Prowadzący. Doc. dr inż. Jakub Szymon SZPON. Projekt jest współfinansowany ze środków Unii Europejskiej w ramach Europejskiego Funduszu Społecznego.

Prowadzący. Doc. dr inż. Jakub Szymon SZPON. Projekt jest współfinansowany ze środków Unii Europejskiej w ramach Europejskiego Funduszu Społecznego. EDUKACJA DLA BEZPIECZEŃSTWA studia podyplomowe dla czynnych zawodowo nauczycieli szkół gimnazjalnych i ponadgimnazjalnych Projekt jest współfinansowany ze środków Unii Europejskiej w ramach Europejskiego

Bardziej szczegółowo

PODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"

PODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu Podstawy baz danych PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych

Bardziej szczegółowo

UML w Visual Studio. Michał Ciećwierz

UML w Visual Studio. Michał Ciećwierz UML w Visual Studio Michał Ciećwierz UNIFIED MODELING LANGUAGE (Zunifikowany język modelowania) Pozwala tworzyć wiele systemów (np. informatycznych) Pozwala obrazować, specyfikować, tworzyć i dokumentować

Bardziej szczegółowo

Zestawy zagadnień na egzamin magisterski dla kierunku EKONOMIA (studia II stopnia)

Zestawy zagadnień na egzamin magisterski dla kierunku EKONOMIA (studia II stopnia) Zestawy zagadnień na egzamin magisterski dla kierunku EKONOMIA (studia II stopnia) Obowiązuje od 01.10.2014 Zgodnie z Zarządzeniem Rektora ZPSB w sprawie Regulaminu Procedur Dyplomowych, na egzaminie magisterskim

Bardziej szczegółowo

Co to jest jest oprogramowanie? 8. Co to jest inżynieria oprogramowania? 9. Jaka jest różnica pomiędzy inżynierią oprogramowania a informatyką?

Co to jest jest oprogramowanie? 8. Co to jest inżynieria oprogramowania? 9. Jaka jest różnica pomiędzy inżynierią oprogramowania a informatyką? ROZDZIAŁ1 Podstawy inżynierii oprogramowania: - Cele 2 - Zawartość 3 - Inżynieria oprogramowania 4 - Koszty oprogramowania 5 - FAQ o inżynierii oprogramowania: Co to jest jest oprogramowanie? 8 Co to jest

Bardziej szczegółowo

I. OGÓLNE INFORMACJE PODSTAWOWE O PRZEDMIOCIE. Nie dotyczy. podstawowy i kierunkowy

I. OGÓLNE INFORMACJE PODSTAWOWE O PRZEDMIOCIE. Nie dotyczy. podstawowy i kierunkowy 1.1.1 Statystyka opisowa I. OGÓLNE INFORMACJE PODSTAWOWE O PRZEDMIOCIE STATYSTYKA OPISOWA Nazwa jednostki organizacyjnej prowadzącej kierunek: Kod przedmiotu: P6 Wydział Zamiejscowy w Ostrowie Wielkopolskim

Bardziej szczegółowo

Dopasowanie IT/biznes

Dopasowanie IT/biznes Dopasowanie IT/biznes Dlaczego trzeba mówić o dopasowaniu IT-biznes HARVARD BUSINESS REVIEW, 2008-11-01 Dlaczego trzeba mówić o dopasowaniu IT-biznes http://ceo.cxo.pl/artykuly/51237_2/zarzadzanie.it.a.wzrost.wartosci.html

Bardziej szczegółowo

Transformacja wiedzy w budowie i eksploatacji maszyn

Transformacja wiedzy w budowie i eksploatacji maszyn Uniwersytet Technologiczno Przyrodniczy im. Jana i Jędrzeja Śniadeckich w Bydgoszczy Wydział Mechaniczny Transformacja wiedzy w budowie i eksploatacji maszyn Bogdan ŻÓŁTOWSKI W pracy przedstawiono proces

Bardziej szczegółowo

Zwrot z inwestycji w IT: prawda czy mity

Zwrot z inwestycji w IT: prawda czy mity Zwrot z inwestycji w IT: prawda czy mity Inwestycje w technologie IT 1 muszą podlegać takim samym regułom oceny, jak wszystkie inne: muszą mieć ekonomiczne uzasadnienie. Stanowią one koszty i jako takie

Bardziej szczegółowo

WZORCOWE EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW FINANSE STUDIA PIERWSZEGO STOPNIA PROFIL OGÓLNOAKADEMICKI

WZORCOWE EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW FINANSE STUDIA PIERWSZEGO STOPNIA PROFIL OGÓLNOAKADEMICKI WZORCOWE EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW FINANSE STUDIA PIERWSZEGO STOPNIA PROFIL OGÓLNOAKADEMICKI Umiejscowienie kierunku w obszarze kształcenia Kierunek studiów finanse należy do obszaru kształcenia

Bardziej szczegółowo

kod nr w planie ECTS Przedmiot studiów PODSTAWY STATYSTYKI 7 2

kod nr w planie ECTS Przedmiot studiów PODSTAWY STATYSTYKI 7 2 kod nr w planie ECTS Przedmiot studiów PODSTAWY STATYSTYKI 7 2 Kierunek Turystyka i Rekreacja Poziom kształcenia II stopień Rok/Semestr 1/2 Typ przedmiotu (obowiązkowy/fakultatywny) obowiązkowy y/ ćwiczenia

Bardziej szczegółowo

Wprowadzenie do analizy korelacji i regresji

Wprowadzenie do analizy korelacji i regresji Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących

Bardziej szczegółowo

KIERUNKOWE EFEKTY KSZTAŁCENIA

KIERUNKOWE EFEKTY KSZTAŁCENIA WYDZIAŁ INFORMATYKI I ZARZĄDZANIA Kierunek studiów: INFORMATYKA Stopień studiów: STUDIA II STOPNIA Obszar Wiedzy/Kształcenia: OBSZAR NAUK TECHNICZNYCH Obszar nauki: DZIEDZINA NAUK TECHNICZNYCH Dyscyplina

Bardziej szczegółowo

Architektura bezpieczeństwa informacji w ochronie zdrowia. Warszawa, 29 listopada 2011

Architektura bezpieczeństwa informacji w ochronie zdrowia. Warszawa, 29 listopada 2011 Architektura informacji w ochronie zdrowia Warszawa, 29 listopada 2011 Potrzeba Pomiędzy 17 a 19 kwietnia 2011 roku zostały wykradzione dane z 77 milionów kont Sony PlayStation Network. 2 tygodnie 25 milionów

Bardziej szczegółowo

Relacja z sesji plenarnej Komitetu Nauk o Finansach PAN

Relacja z sesji plenarnej Komitetu Nauk o Finansach PAN prof. dr hab. Małgorzata Zaleska Szkoła Główna Handlowa Relacja z sesji plenarnej Komitetu Nauk o Finansach PAN W ramach konferencji Katedr Finansowych Nauka finansów dla rozwoju gospodarczego i społecznego,

Bardziej szczegółowo

Zintegrowane Systemy Informatyczne analiza, projektowanie, wdrażanie

Zintegrowane Systemy Informatyczne analiza, projektowanie, wdrażanie dr hab. Grzegorz Bartoszewicz, prof. nadzw. UEP Katedra Informatyki Ekonomicznej Zintegrowane Systemy Informatyczne analiza, projektowanie, wdrażanie Tematyka seminarium związana jest z wykorzystaniem

Bardziej szczegółowo

Analiza korespondencji

Analiza korespondencji Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy

Bardziej szczegółowo

Systemy z bazą wiedzy (spojrzenie bardziej korporacyjne) Baza wiedzy. Baza wiedzy. Baza wiedzy. Baza wiedzy

Systemy z bazą wiedzy (spojrzenie bardziej korporacyjne) Baza wiedzy. Baza wiedzy. Baza wiedzy. Baza wiedzy Zarządzanie wiedzą z bazą wiedzy (spojrzenie bardziej korporacyjne) Wybrane aspekty technologiczne związane z wiedzą i zarządzaniem wiedzą Google: baza wiedzy 1,180,000 znalezionych systemy zarządzania

Bardziej szczegółowo

ZASTOSOWANIE TECHNOLOGII WIRTUALNEJ RZECZYWISTOŚCI W PROJEKTOWANIU MASZYN

ZASTOSOWANIE TECHNOLOGII WIRTUALNEJ RZECZYWISTOŚCI W PROJEKTOWANIU MASZYN MODELOWANIE INŻYNIERSKIE ISSN 1896-771X 37, s. 141-146, Gliwice 2009 ZASTOSOWANIE TECHNOLOGII WIRTUALNEJ RZECZYWISTOŚCI W PROJEKTOWANIU MASZYN KRZYSZTOF HERBUŚ, JERZY ŚWIDER Instytut Automatyzacji Procesów

Bardziej szczegółowo

Uchwała Nr 69 /2012. Senatu Uniwersytetu Jana Kochanowskiego w Kielcach. z dnia 31 maja 2012 roku

Uchwała Nr 69 /2012. Senatu Uniwersytetu Jana Kochanowskiego w Kielcach. z dnia 31 maja 2012 roku Uchwała Nr 69 /2012 Senatu Uniwersytetu Jana Kochanowskiego w Kielcach z dnia 31 maja 2012 roku w sprawie określenia efektów kształcenia dla kierunku zarządzanie na poziomie drugiego stopnia o profilu

Bardziej szczegółowo

Przedmowa... 7 1. System zarządzania jakością w przygotowaniu projektów informatycznych...11

Przedmowa... 7 1. System zarządzania jakością w przygotowaniu projektów informatycznych...11 Spis treści Przedmowa... 7 1. System zarządzania jakością w przygotowaniu projektów informatycznych...11 1.1. Wprowadzenie...11 1.2. System zarządzania jakością...11 1.3. Standardy jakości w projekcie

Bardziej szczegółowo

Kierunki rozwoju firmy Decyzje o wyborze rynków Decyzje inwestycyjne Rozwój nowych produktów Pozycjonowanie. Marketing strategiczny

Kierunki rozwoju firmy Decyzje o wyborze rynków Decyzje inwestycyjne Rozwój nowych produktów Pozycjonowanie. Marketing strategiczny Badania marketingowe dr Grzegorz Mazurek Istota badań Podejmowanie decyzji odbywa się na bazie doświadczenia, wiedzy oraz intuicji. Podejmowanie decyzji wiąże się automatycznie z ryzykiem poniesienia porażki

Bardziej szczegółowo

METODY WSPOMAGANIA DECYZJI MENEDŻERSKICH

METODY WSPOMAGANIA DECYZJI MENEDŻERSKICH PREZENTACJA SEPCJALNOŚCI: METODY WSPOMAGANIA DECYZJI MENEDŻERSKICH WYDZIAŁ INFORMATYKI I KOMUNIKACJI KIERUNEK INFORMATYKA I EKONOMETRIA SEKRETARIAT KATEDRY BADAŃ OPERACYJNYCH Budynek D, pok. 621 e-mail

Bardziej szczegółowo

Państwowa Wyższa Szkoła Zawodowa w Płocku Instytut Nauk Ekonomicznych i Informatyki KARTA PRZEDMIOTU. Część A

Państwowa Wyższa Szkoła Zawodowa w Płocku Instytut Nauk Ekonomicznych i Informatyki KARTA PRZEDMIOTU. Część A Przedmiot: Seminarium dyplomowe Wykładowca odpowiedzialny za przedmiot: Cele zajęć z przedmiotu: Państwowa Wyższa Szkoła Zawodowa w Płocku Instytut Nauk Ekonomicznych i Informatyki KARTA PRZEDMIOTU Wykładowcy

Bardziej szczegółowo

ZARZĄDZANIE I INŻYNIERIA PRODUKCJI

ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZARZĄDZANIE I INŻYNIERIA PRODUKCJI STUDIA PIERWSZEGO STOPNIA PROFIL OGÓLNOAKADEMICKI Załącznik nr 2 Odniesienie efektów kierunkowych do efektów obszarowych i odwrotnie Załącznik nr 2a - Tabela odniesienia

Bardziej szczegółowo

MIĘDZYNARODOWE STOSUNKI GOSPODARCZE

MIĘDZYNARODOWE STOSUNKI GOSPODARCZE EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW MIĘDZYNARODOWE STOSUNKI GOSPODARCZE studia pierwszego stopnia profil ogólnoakademicki studia drugiego stopnia profil ogólnoakademicki Objaśnienie oznaczeń: S1A obszar

Bardziej szczegółowo

Analityk i współczesna analiza

Analityk i współczesna analiza Analityk i współczesna analiza 1. Motywacje 2. Analitycy w IBM RUP 3. Kompetencje analityka według IIBA BABOK Materiały pomocnicze do wykładu z Modelowania i Analizy Systemów na Wydziale ETI PG. Ich lektura

Bardziej szczegółowo

Spis treści. 00 Red. Spis tresci. Wstep..indd 5 2009 12 02 10:52:08

Spis treści. 00 Red. Spis tresci. Wstep..indd 5 2009 12 02 10:52:08 Spis treści Wstęp 9 Rozdział 1. Wprowadzenie do zarządzania projektami 11 1.1. Istota projektu 11 1.2. Zarządzanie projektami 19 1.3. Cykl życia projektu 22 1.3.1. Cykl projektowo realizacyjny 22 1.3.2.

Bardziej szczegółowo

Matryca efektów kształcenia. Logistyka zaopatrzenia i dystrybucji. Logistyka i systemy logistyczne. Infrastruktura logistyczna.

Matryca efektów kształcenia. Logistyka zaopatrzenia i dystrybucji. Logistyka i systemy logistyczne. Infrastruktura logistyczna. Logistyka i systemy logistyczne Logistyka zaopatrzenia i dystrybucji Logistyka gospodarki magazynowej i zarządzanie zapasami Ekologistyka Infrastruktura logistyczna Kompleksowe usługi logistyczne System

Bardziej szczegółowo

BPM vs. Content Management. Jarosław Żeliński analityk biznesowy, projektant systemów

BPM vs. Content Management. Jarosław Żeliński analityk biznesowy, projektant systemów BPM vs. Content Management Jarosław Żeliński analityk biznesowy, projektant systemów Cel prezentacji Celem prezentacji jest zwrócenie uwagi na istotne różnice pomiędzy tym co nazywamy: zarzadzaniem dokumentami,

Bardziej szczegółowo

Modelowanie danych, projektowanie systemu informatycznego

Modelowanie danych, projektowanie systemu informatycznego Modelowanie danych, projektowanie systemu informatycznego Modelowanie odwzorowanie rzeczywistych obiektów świata rzeczywistego w systemie informatycznym Modele - konceptualne reprezentacja obiektów w uniwersalnym

Bardziej szczegółowo

1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie

1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty

Bardziej szczegółowo

Spis treści 377 379 WSTĘP... 9

Spis treści 377 379 WSTĘP... 9 Spis treści 377 379 Spis treści WSTĘP... 9 ZADANIE OPTYMALIZACJI... 9 PRZYKŁAD 1... 9 Założenia... 10 Model matematyczny zadania... 10 PRZYKŁAD 2... 10 PRZYKŁAD 3... 11 OPTYMALIZACJA A POLIOPTYMALIZACJA...

Bardziej szczegółowo

Kodowanie produktów - cz. 1

Kodowanie produktów - cz. 1 Kodowanie produktów - cz. 1 25.07.2005 r. Wstęp Do identyfikacji wyrobów od dawna używa się różnego rodzaju kodów i klasyfikacji. Obecnie stosuje się m.in. natowską kodyfikację wyrobów, kodowanie wyrobów

Bardziej szczegółowo

Czynniki determinujące wpływy z podatku dochodowego od osób prawnych w państwach Unii Europejskiej

Czynniki determinujące wpływy z podatku dochodowego od osób prawnych w państwach Unii Europejskiej Andrzej Karpowicz Doctoral Studies in Management and Economics Kolegium Gospodarki Światowej SGH Promotor: Prof. zw. dr hab. Jerzy Żyżyński Czynniki determinujące wpływy z podatku dochodowego od osób prawnych

Bardziej szczegółowo

Zarządzanie ryzykiem w projektach informatycznych. Marcin Krysiński marcin@krysinski.eu

Zarządzanie ryzykiem w projektach informatycznych. Marcin Krysiński marcin@krysinski.eu Zarządzanie ryzykiem w projektach informatycznych Marcin Krysiński marcin@krysinski.eu O czym będziemy mówić? Zarządzanie ryzykiem Co to jest ryzyko Planowanie zarządzania ryzykiem Identyfikacja czynników

Bardziej szczegółowo

INŻYNIERIA I MARKETING dlaczego są sobie potrzebne?

INŻYNIERIA I MARKETING dlaczego są sobie potrzebne? POLITECHNIKA GDAŃSKA WYDZIAŁ ZARZĄDZANIA I EKONOMII Międzynarodowa Konferencja Naukowo-techniczna PROGRAMY, PROJEKTY, PROCESY zarządzanie, innowacje, najlepsze praktyki INŻYNIERIA I MARKETING dlaczego

Bardziej szczegółowo

WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU

WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim: Wybrane aspekty ubezpieczeń i reasekuracji Nazwa w języku angielskim: Selected Aspects Of Insurance And Reinsurance Kierunek

Bardziej szczegółowo

Opis wymaganych umiejętności na poszczególnych poziomach egzaminów DELF & DALF

Opis wymaganych umiejętności na poszczególnych poziomach egzaminów DELF & DALF Opis wymaganych umiejętności na poszczególnych poziomach egzaminów DELF & DALF Poziom Rozumienie ze słuchu Rozumienie tekstu pisanego Wypowiedź pisemna Wypowiedź ustna A1 Rozumiem proste słowa i potoczne

Bardziej szczegółowo

Model procesu dydaktycznego

Model procesu dydaktycznego Model procesu dydaktycznego w zakresie Business Intelligence Zenon Gniazdowski 1,2), Andrzej Ptasznik 1) 1) Warszawska Wyższa Szkoła Informatyki, ul. Lewartowskiego 17, Warszawa 2) Instytut Technologii

Bardziej szczegółowo

Wykład 1 Inżynieria Oprogramowania

Wykład 1 Inżynieria Oprogramowania Wykład 1 Inżynieria Oprogramowania Wstęp do inżynierii oprogramowania. Cykle rozwoju oprogramowaniaiteracyjno-rozwojowy cykl oprogramowania Autor: Zofia Kruczkiewicz System Informacyjny =Techniczny SI

Bardziej szczegółowo

Inteligentne Multimedialne Systemy Uczące

Inteligentne Multimedialne Systemy Uczące Działanie realizowane w ramach projektu Absolwent informatyki lub matematyki specjalistą na rynku pracy Matematyka i informatyka może i trudne, ale nie nudne Inteligentne Multimedialne Systemy Uczące dr

Bardziej szczegółowo

Hurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu

Hurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2007 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę

Bardziej szczegółowo

Paweł Kurzawa, Delfina Kongo

Paweł Kurzawa, Delfina Kongo Paweł Kurzawa, Delfina Kongo Pierwsze prace nad standaryzacją Obiektowych baz danych zaczęły się w roku 1991. Stworzona została grupa do prac nad standardem, została ona nazwana Object Database Management

Bardziej szczegółowo

Hurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu

Hurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2012 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę

Bardziej szczegółowo

prof. dr hab. Jadwiga Woźniak-Kasperek Instytut Informacji Naukowej i Studiów Bibliologicznych Uniwersytet Warszawski

prof. dr hab. Jadwiga Woźniak-Kasperek Instytut Informacji Naukowej i Studiów Bibliologicznych Uniwersytet Warszawski prof. dr hab. Jadwiga Woźniak-Kasperek Instytut Informacji Naukowej i Studiów Bibliologicznych Uniwersytet Warszawski Rola języka i semantyki w procesach reprezentowania i wyszukiwania treści Możliwości

Bardziej szczegółowo

Projekty BPM z perspektywy analityka biznesowego. Wrocław, 20 stycznia 2011

Projekty BPM z perspektywy analityka biznesowego. Wrocław, 20 stycznia 2011 Projekty BPM z perspektywy analityka biznesowego Wrocław, 20 stycznia 2011 Agenda Definicja pojęć: Analiza biznesowa oraz analityk biznesowy Co kryje się za hasłem BPM? Organizacja zarządzana procesowo

Bardziej szczegółowo

SPOŁECZNE ASPEKTY ROZWOJU RYNKU UBEZPIECZENIOWEGO

SPOŁECZNE ASPEKTY ROZWOJU RYNKU UBEZPIECZENIOWEGO SPOŁECZNE ASPEKTY ROZWOJU RYNKU UBEZPIECZENIOWEGO Wstęp Ogólny zamysł napisania książki wywodzi się ze stwierdzenia, iż dalszy rozwój rynku ubezpieczeniowego w Polsce jest uzależniony od znacznego zwiększenia

Bardziej szczegółowo

mgr Karol Marek Klimczak KONCEPCJA I PLAN ROZPRAWY DOKTORSKIEJ

mgr Karol Marek Klimczak KONCEPCJA I PLAN ROZPRAWY DOKTORSKIEJ mgr Karol Marek Klimczak KONCEPCJA I PLAN ROZPRAWY DOKTORSKIEJ Tytuł: Zarządzanie ryzykiem finansowym w polskich przedsiębiorstwach działających w otoczeniu międzynarodowym Ostatnie dziesięciolecia rozwoju

Bardziej szczegółowo

Systematyka ryzyka w działalności gospodarczej

Systematyka ryzyka w działalności gospodarczej Systematyka ryzyka w działalności gospodarczej Najbardziej ogólna klasyfikacja kategorii ryzyka EFEKT Całkowite ryzyko dzieli się ze względu na kształtujące je czynniki na: Ryzyko systematyczne Ryzyko

Bardziej szczegółowo

ZDZISŁAW PIĄTKOWSKI, ANNA KUŁAKOWSKA WSTĘP... 7 BEATA MIELIŃSKA-LASOTA ROZDZIAŁ I ISTOTA I PRZEDMIOT ORGANIZACJI I ZARZĄDZANIA...9

ZDZISŁAW PIĄTKOWSKI, ANNA KUŁAKOWSKA WSTĘP... 7 BEATA MIELIŃSKA-LASOTA ROZDZIAŁ I ISTOTA I PRZEDMIOT ORGANIZACJI I ZARZĄDZANIA...9 SPIS TREŚCI ZDZISŁAW PIĄTKOWSKI, ANNA KUŁAKOWSKA WSTĘP........................................................... 7 BEATA MIELIŃSKA-LASOTA ROZDZIAŁ I ISTOTA I PRZEDMIOT ORGANIZACJI I ZARZĄDZANIA.............9

Bardziej szczegółowo

Wdrożenie nowych proinnowacyjnych usług sprzyjających dyfuzji innowacji w sektorze MSP nr umowy: U- POIG.05.02.00-00-016/10-00

Wdrożenie nowych proinnowacyjnych usług sprzyjających dyfuzji innowacji w sektorze MSP nr umowy: U- POIG.05.02.00-00-016/10-00 Regulamin usługi Wdrożenie nowych proinnowacyjnych usług sprzyjających dyfuzji innowacji w sektorze MSP nr umowy: U- POIG.05.02.00-00-016/10-00 Projekt realizowany jest w ramach Działania 5.2 Wsparcie

Bardziej szczegółowo

RAPORT Z POLSKIEGO BADANIA PROJEKTÓW IT 2010

RAPORT Z POLSKIEGO BADANIA PROJEKTÓW IT 2010 RAPORT Z POLSKIEGO BADANIA PROJEKTÓW IT 2010 Odpowiada na pytania: Jaka część projektów IT kończy się w Polsce sukcesem? Jak wiele projektów sponsorowanych jest przez instytucje publiczne? Czy kończą się

Bardziej szczegółowo

BAKER TILLY POLAND CONSULTING

BAKER TILLY POLAND CONSULTING BAKER TILLY POLAND CONSULTING Wytyczne KNF dla firm ubezpieczeniowych i towarzystw reasekuracyjnych w obszarze bezpieczeństwa informatycznego An independent member of Baker Tilly International Objaśnienie

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Załącznik nr 1 do procedury nr W_PR_12 Nazwa przedmiotu: Ekonomia / Economy Kierunek: inżynieria środowiska Kod przedmiotu: 2.2 Rodzaj przedmiotu: Poziom kształcenia: treści ogólnych, moduł 2 I stopnia

Bardziej szczegółowo

Procesy biznesowe w praktyce. Przykłady użycia z wykorzystaniem jbpm 4.4

Procesy biznesowe w praktyce. Przykłady użycia z wykorzystaniem jbpm 4.4 Procesy biznesowe w praktyce Przykłady użycia z wykorzystaniem jbpm 4.4 1 Agenda Definicja i zastosowanie procesu biznesowego Języki dziedzinowe (DSL) a rozwiązania BPM JBPM: jbpm 4.4 krótka charakterystyka

Bardziej szczegółowo

WYDZIAŁ MATEMATYKI. www.wmat.pwr.edu.pl

WYDZIAŁ MATEMATYKI. www.wmat.pwr.edu.pl WYDZIAŁ MATEMATYKI www.wmat.pwr.edu.pl MATEMATYKA Studenci kierunku Matematyka uzyskują wszechstronne i gruntowne wykształcenie matematyczne oraz zapoznają się z klasycznymi i nowoczesnymi zastosowaniami

Bardziej szczegółowo

Jacek Tomaszczyk Instytut Bibliotekoznawstwa i Informacji Naukowej Uniwersytet Śląski

Jacek Tomaszczyk Instytut Bibliotekoznawstwa i Informacji Naukowej Uniwersytet Śląski Jacek Tomaszczyk Instytut Bibliotekoznawstwa i Informacji Naukowej Uniwersytet Śląski Terminologia 1. Terminologia jako dyscyplina naukowa. 2. Terminologia jako zbiór terminów (słownictwo specjalistyczne).

Bardziej szczegółowo

Solvency II. Filar II - Wymogi systemu zarządzania. Polska Izba Ubezpieczeń Deloitte Advisory Sp. z o.o. Jakub Bojanowski. 10 grudnia 2008 roku

Solvency II. Filar II - Wymogi systemu zarządzania. Polska Izba Ubezpieczeń Deloitte Advisory Sp. z o.o. Jakub Bojanowski. 10 grudnia 2008 roku Solvency II Filar II - Wymogi systemu zarządzania. Polska Izba Ubezpieczeń Deloitte Advisory Sp. z o.o Jakub Bojanowski 10 grudnia 2008 roku 1 Filar II System Zarządzania System zarządzania ryzykiem opisany

Bardziej szczegółowo

5 Organizacja rachunkowości zagadnienia wstępne 18

5 Organizacja rachunkowości zagadnienia wstępne 18 Kluge P.D., Kużdowicz D., Kużdowicz P., Materiały do zajęć z przedmiotu Rachunkowość finansowa 29 5 Organizacja rachunkowości zagadnienia wstępne 18 5.1 Istota i zakres Do zasadniczych atrybutów wyróżniających

Bardziej szczegółowo

Uniwersytet Rolniczy w Krakowie Wydział Inżynierii Produkcji i Energetyki

Uniwersytet Rolniczy w Krakowie Wydział Inżynierii Produkcji i Energetyki Uniwersytet Rolniczy w Krakowie Wydział Inżynierii Produkcji i Energetyki Efekty dla programu : Kierunek: Odnawialne źródła energii i gospodarka odpadami Specjalności: Stopień : studia II stopnia Profil

Bardziej szczegółowo

PLAN ZARZĄDZANIA WYMAGANIAMI PROJEKT WERSJA

PLAN ZARZĄDZANIA WYMAGANIAMI PROJEKT <NAZWA PROJEKTU> WERSJA <NUMER WERSJI DOKUMENTU> Załącznik nr 4.4 do Umowy nr 35-ILGW-253-.../20.. z dnia... MINISTERSTWO FINANSÓW DEPARTAMENT INFORMATYKI PLAN ZARZĄDZANIA WYMAGANIAMI PROJEKT WERSJA numer wersji

Bardziej szczegółowo

GML w praktyce geodezyjnej

GML w praktyce geodezyjnej GML w praktyce geodezyjnej Adam Iwaniak Kon-Dor s.c. Konferencja GML w praktyce, 12 kwietnia 2013, Warszawa SWING Rok 1995, standard de jure Wymiany danych pomiędzy bazami danych systemów informatycznych

Bardziej szczegółowo

Sposób oceny polityki eksploatacyjnej w przedsiębiorstwach branży spożywczej

Sposób oceny polityki eksploatacyjnej w przedsiębiorstwach branży spożywczej Politechnika Śląska Wydział Organizacji i Zarządzania Instytut Inżynierii Produkcji Sposób oceny polityki eksploatacyjnej w przedsiębiorstwach branży spożywczej Dr inż. Andrzej Loska VII Konferencja Utrzymanie

Bardziej szczegółowo

UCHWAŁA Nr 12/2011 Rady Wydziału Społeczno-Technicznego Państwowej Wyższej Szkoły Zawodowej w Koninie z dnia 18 października 2011 r.

UCHWAŁA Nr 12/2011 Rady Wydziału Społeczno-Technicznego Państwowej Wyższej Szkoły Zawodowej w Koninie z dnia 18 października 2011 r. UCHWAŁA Nr 12/2011 Rady Wydziału Społeczno-Technicznego Państwowej Wyższej Szkoły Zawodowej w Koninie z dnia 18 października 2011 r. zmieniająca uchwałę w sprawie uchwalenia planów studiów podyplomowych

Bardziej szczegółowo

Wyższa Szkoła Hotelarstwa i Gastronomii w Poznaniu SYLABUS

Wyższa Szkoła Hotelarstwa i Gastronomii w Poznaniu SYLABUS Wyższa Szkoła Hotelarstwa i Gastronomii w Poznaniu SYLABUS Profil : Zawodowy Stopień studiów: I Kierunek studiów: Turystyka i Rekreacja Specjalność: Wszystkie Semestr: Forma studiów: I stacjonarne/niestacjonarne

Bardziej szczegółowo

Weryfikacja efektów kształcenia

Weryfikacja efektów kształcenia Weryfikacja efektów kształcenia AG_NS_II Kod KEK KEK Weryfikacja Moduł Prawo K2_K01 ma pełną świadomość poziomu swojej wiedzy i umiejętności; potrafi precyzyjnie formułować pytania; doskonale rozumie potrzebę

Bardziej szczegółowo